[发明专利]基于非局部高斯过程回归的图像超分辨方法

摘要

本发明公开了一种基于非局部高斯过程回归的图像超分辨方法，主要解决现有技术在纹理区域上超分辨效果不佳的问题。其实现步骤为：1.对输入图像进行非局部图像块网格采样，构造训练样本集；2.基于训练样本集学习高斯过程回归模型；3.对测试图像预处理并生成测试样本集；4.在测试样本集上应用学习好的高斯过程回归模型，预测并输出超分辨图像。本发明充分利用输入图像本身存在的图像块自相似性，通过非局部采样获取更多的非局部相似性信息，使得高斯过程回归模型的训练更为高效。仿真实验表明，本发明具有较好的超分辨能力，重建的图像能恢复更多的细节信息，更接近真实的高分辨图像，可广泛应用于图像压缩、刑事侦查、高清娱乐等领域。

主权项

1.一种基于非局部高斯过程回归的图像超分辨方法，包括以下步骤：(1)输入一幅尺寸为IR×IC的低分辨彩色图像I，将其由红、绿、蓝RGB颜色空间转换为亮度图像IY、蓝色色度图像ICb、红色色度图像ICr构成的YCbCr颜色空间；(2)从亮度图像IY生成规模为n的非局部训练样本集D：(2a)根据亮度图像IY得到辅助插值高频图像II′和高频图像I′Y；(2b)按照光栅扫描顺序基于间隔λ从辅助插值高频图像I_I′网格采样出尺寸为p×p的初始图像块集合其中λ为正整数，取值范围介于[1,10]；(2c)剔除掉初始图像块集合P₁中块标准差小于设定阈值θ的图像块，得到规模为n的修剪图像块集合其中θ为取值范围介于[0,3]之间的实数；(2d)在高频图像I′_Y中提取与修剪图像块集合P对应的图像块，并得到这些图像块的中心像素集合(2e)根据(2c)和(2d)构成规模为n的训练样本集合其中＜x_i,y_i＞表示x_i与y_i构成的二元组；(2f)对训练样本集合中每个样本＜x_i,y_i＞用x_i和y_i分别除以x_i的2范数‖x_i‖进行标准化，即其中n为训练样本的总个数；(3)基于训练样本集D学习出高斯过程回归模型M，得到从图像块xi到对应高分辨图像块中心像素丢失的高频分量yl之间的映射：(3a)对于任意两个样本的输入x和x′，定义核函数k(x,x′)为：其中x^T为x的转置，δ为Kronecker delta函数，即σ_f、l、c和σ_n为核函数中4个不同的超参数，且σ_f为信号标准差，l为信号带宽，c为尺度调节系数，σ_n为噪声标准差；(3b)初始化超参数中的信号标准差σf，信号带宽l，尺度调节系数c和噪声标准差σn：c＝0.2×σf其中R_LR、C_LR分别为高频图像I′_Y的行与列尺寸，I′_Y(i)是高频图像I′_Y中第i个像素，I_I′(i)是辅助插值高频图像I_I′中第i个像素，是高频图像I′_Y所有像素值的平均，是辅助插值高频图像I_I′所有像素值的平均，P(i)是辅助插值高频图像I_I′中的第i个图像块；(3c)根据训练样本集合得到观察值列向量y＝[y₁,y₂,...,y_n]^T，并根据核函数k(x,x′)计算协方差矩阵：(3d)根据观察值列向量y和协方差矩阵Ky定义训练样本集合D的对数似然度：(3e)根据初始化超参数，利用共轭梯度法最大化训练样本集合D的对数似然度logp(y|D)得到最优超参数，用这些最优超参数确定出高斯过程回归模型M；(4)根据亮度图像IY得到插值均值图像SM和高斯过程回归模型的测试集Q；(5)对蓝色色度图像ICb、红色色度图像ICr进行双立方Bicubic插值，得到尺寸为(F×IR)×(F×IC)的插值红色色度空间SCb和插值蓝色色度空间SCr，其中F为超分辨放大倍数；(6)基于回归模型的测试集Q，应用步骤(3)中学习好的高斯过程回归模型M，回归出超分辨高频图像SY′；(7)将超分辨高频图像SY′与插值均值图像SM相加，得到初始超分辨亮度图像SY；(8)对初始超分辨亮度图像SY应用反向投影迭代，得到最终超分辨亮度图像SF；(9)将最终超分辨亮度图像SF与插值蓝色色度空间SCb、插值红色色度空间SCr进行合并，得到YCbCr颜色空间下的超分辨图像，并将其转换到RGB颜色空间下，输出最终的超分辨图像。